摘? 要: 介紹了當(dāng)今國(guó)際上流行的幾種智能駕駛系統(tǒng)，并分析了采用單一傳感器的駕駛系統(tǒng)中存在的問(wèn)題，給出了信息融合" title="信息融合">信息融合技術(shù)的原理和結(jié)構(gòu)。討論了多傳感器信息融合" title="多傳感器信息融合">多傳感器信息融合技術(shù)在智能駕駛系統(tǒng)(ITS)中的應(yīng)用算法及其有待進(jìn)一步解決的問(wèn)題。
關(guān)鍵詞: 貝葉斯估計(jì)? 信息融合? 障礙探測(cè)? 智能駕駛
?
隨著傳感器技術(shù)、信息處理技術(shù)、測(cè)量技術(shù)與計(jì)算機(jī)技術(shù)的發(fā)展，智能駕駛系統(tǒng)(輔助駕駛系統(tǒng)—無(wú)人駕駛系統(tǒng))也得到了飛速的發(fā)展。消費(fèi)者越來(lái)越注重駕駛的安全性與舒適性，這就要求傳感器能識(shí)別在同一車道上前方行駛的汽車，并能在有障礙時(shí)提醒駕駛員或者自動(dòng)改變汽車狀態(tài)，以避免事故的發(fā)生。國(guó)際上各大汽車公司也都致力于這方面的研究，并開(kāi)發(fā)了一系列安全駕駛系統(tǒng)，如碰撞報(bào)警系統(tǒng)" title="報(bào)警系統(tǒng)">報(bào)警系統(tǒng)(CW)、偏向報(bào)警系統(tǒng)(LDW)和智能巡游系統(tǒng)(ICC)等。國(guó)內(nèi)在這些方面也有一定的研究，但與國(guó)外相比仍存在較大的差距。本文將主要討論多傳感器信息融合技術(shù)在智能駕駛系統(tǒng)(ITS)中的應(yīng)用。
1 ICC/CW和LDW系統(tǒng)中存在的問(wèn)題
1.1 ICC/CW系統(tǒng)中的誤識(shí)別問(wèn)題
ICC/CW系統(tǒng)中經(jīng)常使用單一波束傳感器。這類傳感器利用非常狹窄的波束寬度測(cè)定前方的車輛，對(duì)于彎曲道路(見(jiàn)圖1(a))，前方車輛很容易駛出傳感器的測(cè)量范圍，這將引起智能巡游系統(tǒng)誤加速。如果前方車輛減速或在拐彎處另一輛汽車駛?cè)氡拒嚨溃鲎矆?bào)警系統(tǒng)將不能在安全停車范圍內(nèi)給出響應(yīng)而容易產(chǎn)生碰撞。類似地，當(dāng)彎曲度延伸時(shí)(見(jiàn)圖1(b))，雷達(dá)系統(tǒng)易把鄰近道路的車輛或路邊的防護(hù)欄誤認(rèn)為是障礙而給出報(bào)警。當(dāng)?shù)缆凡黄教箷r(shí)，雷達(dá)傳感器前方的道路是斜向上，小丘或土堆也可能被誤認(rèn)為是障礙，這些都降低了系統(tǒng)的穩(wěn)定性。現(xiàn)在有一些濾波算法可以處理這些問(wèn)題[6]并取得了一定效果，但不能徹底解決。
?
?
1.2?LDW系統(tǒng)中存在的場(chǎng)景識(shí)別問(wèn)題
LDW系統(tǒng)中同樣存在公共駕駛區(qū)場(chǎng)景識(shí)別問(wèn)題。LDW系統(tǒng)依賴于一側(cè)的攝像機(jī)(經(jīng)常僅能測(cè)道路上相鄰車輛的位置)，很難區(qū)分彎曲的道路和做到多樣的個(gè)人駕駛模式。LDW系統(tǒng)利用一個(gè)前向攝像機(jī)探測(cè)車輛前方道路的地理狀況，這對(duì)于遠(yuǎn)距離測(cè)量存在著精確性的問(wèn)題，所有這些都影響了TLC(Time-to-Line-Crossing)測(cè)量的準(zhǔn)確性。現(xiàn)常用死區(qū)識(shí)別和駕駛信息修訂法進(jìn)行處理，但并不能給出任何先驗(yàn)知識(shí)去識(shí)別故障。
2 多傳感器信息融合技術(shù)在ITS系統(tǒng)中的應(yīng)用
針對(duì)以上系統(tǒng)存在的一些問(wèn)題，研究者們紛紛引入了多傳感器信息融合技術(shù)，并提出了不同的融合算法。基于視覺(jué)系統(tǒng)的傳感器可以提供大量的場(chǎng)景信息，其它傳感器(如雷達(dá)或激光等)可以測(cè)定距離、范圍等信息，對(duì)兩方面的信息融合處理后能夠給出更可靠的識(shí)別信息。融合技術(shù)可以采用 Beaurais 等人于1999年提出的CLARK算法(Combined Likelihood Adding Radar)[3]和Institude Neuroinformatik提出的ICDA(Integrative Coupling of Different Algorithms)[4]算法等方法實(shí)現(xiàn)。
2.1 傳感器的選擇
識(shí)別障礙的首要問(wèn)題是傳感器的選擇，下面對(duì)幾種傳感器的優(yōu)缺點(diǎn)進(jìn)行說(shuō)明(見(jiàn)表1)。探測(cè)障礙的最簡(jiǎn)單的方法是使用超聲波傳感器，它是利用向目標(biāo)發(fā)射超聲波脈沖，計(jì)算其往返時(shí)間來(lái)判定距離的。該方法被廣泛應(yīng)用于移動(dòng)機(jī)器人的研究上。其優(yōu)點(diǎn)是價(jià)格便宜，易于使用，且在10m以內(nèi)能給出精確的測(cè)量。不過(guò)在ITS系統(tǒng)中除了上文提到的場(chǎng)景限制外，還有以下問(wèn)題。首先因其只能在10m以內(nèi)有效使用，所以并不適合ITS系統(tǒng)。另外超聲波傳感器的工作原理基于聲速，即使可以使之測(cè)達(dá)100m遠(yuǎn)，但其更新頻率為2Hz，而且還有可能在傳輸中受到其它信號(hào)的干擾，所以在CW/ICC系統(tǒng)中使用是不實(shí)際的。
?
?
視覺(jué)傳感器在CW系統(tǒng)中使用得非常廣泛。其優(yōu)點(diǎn)是尺寸小，價(jià)格合理，在一定的寬度和視覺(jué)域內(nèi)可以測(cè)定多個(gè)目標(biāo)，并且可以利用測(cè)量的圖像根據(jù)外形和大小對(duì)目標(biāo)進(jìn)行分類。但是算法復(fù)雜，處理速度慢。
雷達(dá)傳感器在軍事和航空領(lǐng)域已經(jīng)使用了幾十年。主要優(yōu)點(diǎn)是可以魯棒地探測(cè)到障礙而不受天氣或燈光條件限制。近十年來(lái)隨著尺寸及價(jià)格的降低，在汽車行業(yè)開(kāi)始被使用。但是仍存在性價(jià)比的問(wèn)題。
為了克服這些問(wèn)題，利用信息融合技術(shù)提出了一些新的方法，諸如參考資料[5～6]所述的融合超聲波傳感器和圖像傳感器的信息、融合雷達(dá)與圖像信息或激光與圖像信息等。利用這些方法可以得到較單一傳感器更為可靠的探測(cè)。
2.2 信息融合的基本原理[1]
所謂信息融合就是將來(lái)自多個(gè)傳感器或多源的信息進(jìn)行綜合處理，從而得出更為準(zhǔn)確、可靠的結(jié)論。多傳感器信息融合是人類和其它生物系統(tǒng)中普遍存在的一種基本功能，人類本能地具有將身體上的各種功能器官(眼、耳、鼻、四肢)所探測(cè)的信息(景物、聲音、氣味和觸覺(jué))與先驗(yàn)知識(shí)進(jìn)行綜合的能力，以便對(duì)其周圍的環(huán)境和正在發(fā)生的事件做出估計(jì)。由于人類的感官具有不同度量特征，因而可測(cè)出不同空間范圍的各種物理現(xiàn)象，這一過(guò)程是復(fù)雜的，也是自適應(yīng)的。它將各種信息(圖像、聲音、氣味和物理形狀或描述)轉(zhuǎn)化成對(duì)環(huán)境的有價(jià)值的解釋。
多傳感器信息融合實(shí)際上是人對(duì)人腦綜合處理復(fù)雜問(wèn)題的一種功能模擬。在多傳感器系統(tǒng)中，各種傳感器提供的信息可能具有不同的特征:時(shí)變的或者非時(shí)變的，實(shí)時(shí)的或者非實(shí)時(shí)的，模糊的或者確定的，精確的或者不完整的，相互支持的或者互補(bǔ)的。多傳感器信息融合就像人腦綜合處理信息的過(guò)程一樣，它充分利用多個(gè)傳感器資源，通過(guò)對(duì)各種傳感器及其觀測(cè)信息的合理支配與使用，將各種傳感器在空間和時(shí)間上的互補(bǔ)與冗余信息依據(jù)某種優(yōu)化準(zhǔn)則組合起來(lái)，產(chǎn)生對(duì)觀測(cè)環(huán)境的一致性解釋或描述。信息融合的目標(biāo)是基于各種傳感器分離觀測(cè)信息，通過(guò)對(duì)信息的優(yōu)化組合導(dǎo)出更多的有效信息。這是最佳協(xié)同作用的結(jié)果，它的最終目的是利用多個(gè)傳感器共同或聯(lián)合操作的優(yōu)勢(shì)來(lái)提高整個(gè)系統(tǒng)的有效性。
2.3 常用信息融合算法
信息融合技術(shù)涉及到多方面的理論和技術(shù) ，如信號(hào)處理、估計(jì)理論、不確定性理論、模式識(shí)別、最優(yōu)化技術(shù)、神經(jīng)網(wǎng)絡(luò)和人工智能等。由不同的應(yīng)用要求形成的各種方法都是融合方法的一個(gè)子集。表2歸納了一些常用的信息融合方法。
?
?
2.4 智能駕駛系統(tǒng)中信息融合算法的基本結(jié)構(gòu)
由于單一傳感器的局限性，現(xiàn)在ITS系統(tǒng)中多使用一組傳感器探測(cè)不同視點(diǎn)的信息，再對(duì)這些信息進(jìn)行融合處理，以完成初始目標(biāo)探測(cè)識(shí)別。在智能駕駛系統(tǒng)中識(shí)別障礙常用的算法結(jié)構(gòu)如圖2所示。
?
?
3 CLARK算法
CLARK算法是用于精確測(cè)量障礙位置和道路狀況的方法，它同時(shí)使用來(lái)自距離傳感器(雷達(dá))和攝像機(jī)的信息。CLARK算法主要由以下兩部分組成:①使用多傳感器融合技術(shù)對(duì)障礙進(jìn)行魯棒探測(cè)；②在LOIS(Likelihood of Image Shape)道路探測(cè)算法中綜合考慮上述信息，以提高遠(yuǎn)距離道路和障礙的識(shí)別性能。
3.1 用雷達(dá)探測(cè)" title="雷達(dá)探測(cè)">雷達(dá)探測(cè)障礙
????目前經(jīng)常使用一個(gè)雷達(dá)傳感器探測(cè)前方的車輛或障礙。如前面所分析，雷達(dá)雖然在直路上的性能良好，但當(dāng)?shù)缆窂澢鷷r(shí)，探測(cè)的信號(hào)將不完全可靠，有時(shí)還會(huì)有探測(cè)的盲點(diǎn)或產(chǎn)生錯(cuò)誤報(bào)警。為了防止錯(cuò)誤報(bào)警，常對(duì)雷達(dá)的輸出進(jìn)行標(biāo)準(zhǔn)卡爾曼(Kalman)濾波，但這并不能有效解決探測(cè)盲點(diǎn)問(wèn)題。為了更可靠地解決這類問(wèn)題，可以使用掃描雷達(dá)或多波束" title="多波束">多波束雷達(dá)，但其價(jià)格昂貴。這里選用低價(jià)的視覺(jué)傳感器作為附加信息，視覺(jué)傳感器經(jīng)常能提供掃描雷達(dá)和多波束雷達(dá)所不能提供的信息。
3.2 在目標(biāo)識(shí)別中融合視覺(jué)信息
CLARK算法使用視覺(jué)圖像的對(duì)比度和顏色信息探測(cè)目標(biāo)，使用矩形模板方法識(shí)別目標(biāo)。這個(gè)模板由具有不同左右邊界和底部尺寸的矩形構(gòu)成，再與視覺(jué)圖像對(duì)比度域匹配，選擇與雷達(dá)傳感器輸出最接近的障礙模板。
CLARK算法首先對(duì)雷達(dá)信號(hào)進(jìn)行卡爾曼濾波，用于剔除傳感器輸出的強(qiáng)干擾，這由下列狀態(tài)和觀測(cè)方程處理:
式中，R(t)為前方障礙的真實(shí)距離(未知)，
是其速度(未知)，D(t)為距離觀測(cè)值，Δt為兩次觀測(cè)的間隔時(shí)間，w(t)和v(t)為高斯噪聲。給定D(t)，由Kalman濾波器估計(jì)R(t)和
的值，并把估計(jì)值
作為距離輸入值，使用
和D(t)的差值確定所用矩形模板的偏差。由于使用雷達(dá)探測(cè)的位置與雷達(dá)波的中心位置總有一個(gè)偏差，可通過(guò)改變道路一側(cè)的位置作為補(bǔ)償。
使用上述算法可以有效提高雷達(dá)探測(cè)的可靠性，但當(dāng)圖像包含很強(qiáng)的邊緣信息或障礙只占據(jù)相平面一個(gè)很小的區(qū)域時(shí)，仍不能得到滿意的結(jié)果。因此，除對(duì)比度外，又引入視覺(jué)圖像的顏色域。
3.3 相合似然法
在探測(cè)到障礙后，CLARK算法將這些信息整合到道路探測(cè)算法(LOIS)中。LOIS利用變形道路的邊緣應(yīng)為圖像中對(duì)比度的最大值部分且其方位應(yīng)垂直于道路邊緣來(lái)搜索道路。如果只是簡(jiǎn)單地將兩個(gè)信息整合，則障礙探測(cè)部分的像素被隱藏，其圖像梯度值不會(huì)影響LOIS的似然性。這樣可以防止LOIS將汽車前方障礙的邊緣誤認(rèn)為是道路的邊緣來(lái)處理。但是當(dāng)?shù)缆返恼鎸?shí)邊緣非常接近障礙的邊緣時(shí)，隱藏技術(shù)則失效。
為了使隱藏技術(shù)有效，可以在障礙和道路探測(cè)之間采取折中的處理方法。這種折中的處理方法就是相合似然法。它將探測(cè)障礙固定的位置和尺寸參數(shù)變?yōu)榭梢栽谛》秶鷥?nèi)變化的參數(shù)。新的似然函數(shù)由LOIS的似然和探測(cè)障礙的似然融合而成。它使用七維參數(shù)探測(cè)方法(三維用于障礙，四維用于道路)，能同時(shí)給出障礙和道路預(yù)測(cè)的最好結(jié)果。其公式如下:
式中，Tb、Tl、Tw為相平面內(nèi)矩形模板的底部位置、左邊界和寬度的三個(gè)變形參數(shù)，[xr(t)，xc(t)]為變形模板相平面的中心。[yr(t)，yc(t)]為由雷達(dá)探測(cè)并經(jīng)Kalman濾波的障礙在相平面的位置。將地平面壓縮變換為相平面，σr2(t)為
的實(shí)時(shí)估計(jì)，σc2為相平面內(nèi)一個(gè)路寬的值(3.2m)。tan-1的壓縮比率在相平面內(nèi)不小于Tmin(路寬的一半)，不大于Tmax(路寬)。通過(guò)求解七維后驗(yàn)pdf P(k’，b’LEFT，b’RIGHT，vp，Tb，Tl，Tw|[yr(t)，yc(t)]，Observed Image)的最大值獲得障礙和道路目標(biāo)。
3.4 CLARK算法的局限性
CLARK算法假定障礙為矩形形狀且其最小尺寸為標(biāo)準(zhǔn)路寬的一半，所以當(dāng)障礙為客車、貨車、拖拉機(jī)及公共汽車時(shí)滿足要求；但當(dāng)障礙為摩托車、自行車及行人時(shí)就不適用了。這種矩形形狀的假設(shè)也要求雷達(dá)為窄波束雷達(dá)，對(duì)其它寬波束雷達(dá)、掃描雷達(dá)或多波束雷達(dá)則無(wú)效，并假定探測(cè)障礙的偏向位置總是在雷達(dá)波束的中心。
多傳感器信息融合技術(shù)在智能駕駛系統(tǒng)(ITS)中的使用極大地提高了系統(tǒng)的穩(wěn)定性和安全性，各種融合算法也都從不同方面更好地改善了系統(tǒng)的性能，但目前仍存在如何降低成本的問(wèn)題，這對(duì)于ITS系統(tǒng)的普遍使用是很重要的。另外降低運(yùn)算量、增強(qiáng)對(duì)多目標(biāo)識(shí)別的可靠性也都有待進(jìn)一步研究解決。
?
參考文獻(xiàn)
1 何 友，王國(guó)宏.多傳感器信息融合及應(yīng)用.北京:電子工業(yè)出版社， 2000
2 康耀紅.數(shù)據(jù)融合理論及應(yīng)用.西安:西安電子科技大學(xué)出版社， 1997
3 M. Beauvais， S. Lakshmanan CLARK.A Heterogeneous Sensor Fusion Method for Finding Lanes and Obstacles.
? Image and Vision Computing，2000(18)： 397～413
4 U.Handmann，T.Kalinke，C.Tzomakas， M.Werner，W.v.Seelen. An Image Processing System for Driver Assistance. Image?and Vision Computing，2000(18)：367～376
5 B. Heisele， H. Neef， W. Ritter， R. Schneider， G. Wanielik.Object Detection in Traffic Scenes by a Color Video and? Radar Data Fusion Approach. Proceedings of the First IEEE Australian Data Fusion? Symposium，1996: 48～52
6 H. Araki， K. Yamada，Y. Hiroshima， T. Ito. Development of Rear-end? Collision Avoidance System. Proceedings of?the IEEE Intelligent Vehi-cles Symposium.1996:224～229